ElevenLabs ने Eleven V4 को कम विलंबता वाले टर्बो संस्करण के साथ लॉन्च किया

ElevenLabs ने 28 सितंबर, 2026 को Eleven v4 लॉन्च किया, जिसे कंपनी ने अब तक का सबसे भावनात्मक टेक्स्ट‑टू‑स्पीच मॉडल बताया है, और Eleven v4 Turbo, एक कम‑विलंबता वाला संस्करण जो आवाज़ एजेंट और रीयल‑टाइम उपयोग के लिए डिज़ाइन किया गया है। दोनों मॉडल तुरंत ElevenAgents, ElevenCreative, और ElevenAPI के माध्यम से उपलब्ध हैं, और मुफ्त खाता स्तर में पहुँच शामिल है।

लॉन्च पोस्ट को Mati Staniszewski और Piotr Dabkowski ने लिखा और इसे कंपनी की रिसर्च श्रेणी में फ़ाइल किया गया।

अभिव्यक्तित्व पर केंद्रित नई आर्किटेक्चर

ElevenLabs के अनुसार Eleven v4 पूरी तरह नई आर्किटेक्चर पर निर्मित है, जो टेक्स्ट से स्वर, गति, भावना, किरदार और संदर्भ को समझने के लिए डिज़ाइन की गई है, और ऐसी आवाज़ उत्पन्न करती है जो नाटकीय, कोमल, तात्कालिक, हास्यपूर्ण या संवादात्मक सुनाई दे सकती है, जबकि वक्ता की पहचान को बरकरार रखती है। कंपनी का कहना है कि मूल ऑडियो फ़िडेलिटी पिछले मॉडलों की तुलना में समग्र रूप से अधिक है।

कंपनी के अनुसार, वक्ता की पहचान को कैप्चर करने की नई विधि एजेंट वार्तालाप, ऑडियोबुक और विज्ञापनों में प्रत्येक आवाज़ को सुसंगत रखने के लिए डिज़ाइन की गई है, और सीन‑स्तर का संदर्भ वक्ताओं को बातचीत में अभी कहा गया बात का जवाब देने की अनुमति देता है, जिससे उत्पन्न संवाद कंपनी के अनुसार अलग‑अलग पंक्तियों को जोड़ने की तुलना में अधिक प्राकृतिक होता है।

इनलाइन ऑडियो टैग SSML नियंत्रणों की जगह लेते हैं

उपयोगकर्ता प्राकृतिक भाषा में डिलीवरी निर्देशित कर सकते हैं और इनलाइन ऑडियो टैग एम्बेड कर सकते हैं; कंपनी के उदाहरणों में हँसी, फ्रेंच लहजे में गुस्से से कहा गया, हल्की बारिश, और फोन की गड़गड़ाहट शामिल हैं। ElevenLabs कहता है कि मॉडल इन ऑडियो टैग और दिशा संकेतों का पालन अपने पूर्व मॉडलों की तुलना में अधिक सटीकता से करता है। अंतर्राष्ट्रीय ध्वन्यात्मक वर्णमाला (IPA) फ़ोनीम के समर्थन में काफी सुधार किया गया है जिससे कस्टम उच्चारण अधिक विश्वसनीय रूप से कार्य करते हैं, और ElevenLabs डेवलपर दस्तावेज़ API उपयोग के लिए पूर्ण टैग सिंटैक्स को कवर करता है। उत्पाद पेज के FAQ के अनुसार, SSML टैग जैसे <break> Eleven v4 में अक्षम हैं, और प्राकृतिक‑भाषा टैग नियंत्रण तंत्र के रूप में उपयोग होते हैं।

टर्बो संस्करण और विलंबता माप

रीयल‑टाइम उपयोग के लिए, ElevenLabs के अनुसार उसकी रिसर्च और इंजीनियरिंग टीमों ने Eleven v4 Turbo को ElevenAgents संवादात्मक प्लेटफ़ॉर्म के साथ मिलाकर एक सिस्टम के रूप में अनुकूलित किया है। टर्बो द्विदिश स्ट्रीमिंग का समर्थन करता है, जिससे वाक्य समाप्त होने से पहले ही ऑडियो लौटना शुरू हो जाता है।

घोषणा की फुटनोटेड कार्यप्रणाली बताती है कि Eleven v4 Turbo ने सितंबर 2026 में WebSocket स्ट्रीमिंग पर समान स्क्रिप्ट और डिफ़ॉल्ट सेटिंग्स के साथ किए गए परीक्षणों में पहला भाषण प्राप्त करने का मध्यकालिक समय लगभग 150 मिलीसेकंड दर्ज किया, जो Cartesia Sonic 3.6, xAI TTS, Google Gemini Flash‑Lite TTS, और OpenAI GPT‑4o mini TTS के खिलाफ चलाया गया, सभी सिस्टमों के लिए नेटवर्क विलंबता मापी और हटाई गई। कंपनी के उत्पाद पेज पर तुलना चार्ट 150 ms को संदर्भ मान के रूप में दर्शाता है, जबकि Cartesia Sonic 3.6 के लिए घोषित 262 ms और OpenAI GPT‑4o mini TTS के लिए 814 ms है। घोषणा अलग से टर्बो के लिए लगभग 100 ms का मध्यकालिक अनुमानित विलंबता बताती है, जिसे कंपनी कहती है कि दो लोगों के बीच सामान्य विराम से तेज़ है।

भाषाएँ, आवाज़ क्लोनिंग, और लंबी‑फ़ॉर्म ऑडियो

दोनों मॉडल 90 से अधिक भाषाओं का समर्थन करते हैं। कंपनी का कहना है कि एक भाषा में रिकॉर्ड की गई आवाज़ अब अन्य भाषाओं में भी प्रवाहपूर्ण रूप से बोलती है, जबकि मूल वक्ता के लहजे को अपनाती है, और यह लहजा अब पीढ़ी के दौरान स्रोत लहजे की ओर वापस नहीं झुकता।

कंपनी के अनुसार, इंस्टेंट वॉइस क्लोन्स अब 10 सेकंड के ऑडियो से उच्च फ़िडेलिटी के साथ आवाज़ को कैप्चर कर सकते हैं, और वे अपने Multilingual v2 मॉडल के प्रोफेशनल वॉइस क्लोन्स से बेहतर प्रदर्शन करते हैं। प्रोफेशनल वॉइस क्लोन्स, जो Eleven v3 में उपलब्ध नहीं थे, अब फिर से समर्थित हैं और मॉडल की पूरी भावनात्मक रेंज के साथ काम करते हैं। प्रत्येक क्लोन, चाहे वह इंस्टेंट हो या प्रोफेशनल, आवाज़ के मालिक की सत्यापित सहमति की आवश्यकता रखता है, और उत्पन्न ऑडियो ElevenLabs के AI Speech Classifier तकनीक द्वारा कवर किया जाता है, जिसे कंपनी कहती है कि वह AI‑जनित के रूप में पहचान सकता है।

कंपनी के अनुसार, अनुरोध स्टिचिंग, यानी लंबी‑फ़ॉर्म सामग्री के लिए पीढ़ियों को एक साथ जोड़ना, Eleven v4 में काफी अधिक विश्वसनीय है, जिससे ElevenLabs Studio और ElevenLabs Reader App में काम करने का अनुभव सुधरता है। एकल पीढ़ी अधिकतम 10,000 अक्षरों का समर्थन करती है, और संदर्भ स्टिचिंग लंबी स्क्रिप्ट में गति और डिलीवरी को सुसंगत रखती है।

कंपनी‑रिपोर्टेड बेंचमार्क परिणाम

ElevenLabs रिपोर्ट करता है कि Eleven v4 ने सितंबर 2026 में Artificial Analysis Provider Voice Arena लीडरबोर्ड पर पहला स्थान प्राप्त किया और अंधे हेड‑टू‑हेड परीक्षणों में लगभग 75 प्रतिशत श्रोताओं द्वारा पसंद किया गया। फुटनोटेड कार्यप्रणाली बताती है कि ये सितंबर 2026 के परीक्षण मॉडल को Cartesia Sonic 3.6, Inworld TTS‑2, Google Gemini 3.8 Flash‑Lite TTS, और Google Gemini 3.8 Flash TTS के खिलाफ प्रतिस्पर्धा में लाए, जहाँ ग्रेडर Eleven v4 और एक प्रतियोगी की समान पंक्ति को अंधे रूप से सुनते हैं, यह तय करते हुए कि कौन अधिक अभिव्यक्तिपूर्ण और कौन अधिक प्राकृतिक सुनाई देता है, और टाई को आधा माना जाता है। घोषणा में एक चार्ट दर्शाता है कि Eleven v4 ने उन मुकाबलों में 65 %‑81 % जीत हासिल की।

API पहुँच, मूल्य निर्धारण, और अनुपालन

दोनों मॉडलों तक REST और स्ट्रीमिंग एंडपॉइंट्स के माध्यम से TypeScript और Python SDKs के साथ पहुंचा जा सकता है, और डेवलपर्स एक ही model_id से मॉडलों के बीच स्विच कर सकते हैं। आउटपुट फ़ॉर्मेट सभी अन्य ElevenLabs मॉडलों के समान हैं: स्टूडियो और पोस्ट‑प्रोडक्शन कार्य के लिए MP3, अनकम्प्रेस्ड WAV/PCM, और टेलीफ़ोनी तथा कॉल‑सेंटर इंटीग्रेशन के लिए µ-law, जिसमें सैंपल रेट और बिटरेट API के माध्यम से सेट किए जाते हैं।

कीमतें कंपनी के अन्य टेक्स्ट‑टू‑स्पीच मॉडलों के समान क्रेडिट संरचना का पालन करती हैं: प्रति माह 10,000 क्रेडिट वाला एक मुफ्त स्तर, जिसे कंपनी लगभग 10 मिनट ऑडियो के बराबर मानती है; $6 प्रति माह से शुरू होने वाले भुगतान योजनाएँ जिनमें प्रोफेशनल वॉइस क्लोनिंग शामिल है; और कस्टम एंटरप्राइज़ मूल्य निर्धारण। कंपनी की लाइब्रेरी में 17,500 से अधिक आवाज़ों में से प्रत्येक Eleven v4 के साथ काम करती है, हालांकि लॉन्च से पहले बनाए गए इंस्टेंट और प्रोफेशनल क्लोन्स को नए मॉडल के साथ प्रभावी रूप से काम करने के लिए पुनः प्रशिक्षित करने की आवश्यकता है।

ElevenLabs बताता है कि Eleven v4 SOC 2 Type II, ISO 27001, और PCI DSS Level 1 प्रमाणित इन्फ्रास्ट्रक्चर पर चलता है, स्वास्थ्य देखभाल के लिए HIPAA‑योग्य वर्कफ़्लो के साथ GDPR अनुपालन रखता है, बिना सहमति के स्क्रिप्ट या ऑडियो टैग पर प्रशिक्षण नहीं देता, और योग्य एंटरप्राइज़ सेवाओं के लिए Zero Retention Mode प्रदान करता है।

यह Eleven v4 उत्पाद पृष्ठ नामित ग्राहकों के बयानों को शामिल करता है, जिनमें Salesforce में Agentforce Voice के प्रोडक्ट के SVP Ryan Peterson शामिल हैं, जिन्होंने कहा: “यह वही जगह है जहाँ हम Eleven v4 Turbo को मानक को ऊँचा उठाते देख रहे हैं, तेज़, अधिक स्वाभाविक प्रतिक्रियाओं के साथ जो हमारे ग्राहकों की अपेक्षित मानक को पूरा करती हैं।” BeyondWords के सह‑संस्थापक Patrick O’Flaherty, Spring Financial के क्रेडिट बिल्डिंग प्रोडक्ट्स के प्रमुख Oscar Daniels, और Accenture Accelerate के संगीत और ऑडियो लीड Kyle Gudmundson ने भी नए मॉडलों पर बयान दिए।

ElevenLabs डेवलपर्स को पूर्ण audio-tag सिंटैक्स और API इंटीग्रेशन विवरण के लिए अपनी दस्तावेज़ीकरण की ओर निर्देशित करता है।